Uczenie maszynowe. Elementy matematyki w analizie danych - ebook
Uczenie maszynowe. Elementy matematyki w analizie danych - ebook
Na styku matematyki i informatyki
Uczenie maszynowe (ML) i sztuczna inteligencja (AI). Obok komputerów kwantowych to dwa główne, gorące tematy we współczesnej informatyce. Oba nieco tajemnicze, futurystyczne i przede wszystkim wymagające posiadania dość sporej wiedzy i umiejętności matematycznych. Stąd podręczniki akademickie poświęcone sztucznej inteligencji i uczeniu maszynowemu zwykle są grube, ciężkie i naszpikowane detalami. Niesprzyjające szybkiej nauce i w rzeczywistości wcale nie takie… podręczne.
Inaczej jest z tą niewielkich rozmiarów książką. Jej autor przedstawia tematy związane z AI i ML z naciskiem na matematykę, tłumaczy jednak wszystko krok po kroku ... tak by czytelnikom było łatwiej je zrozumieć. Zagadnienia matematyczne są tu objaśniane o tyle, o ile jest to konieczne dla opanowania konkretnych treści z zakresu uczenia maszynowego.
Znajdziesz tu omówienie takich kluczowych zagadnień jak:
- Wnioskowanie bayesowskie
- Modele liniowe
- Zmienne informatywne i entropia informacji
- Ocena wpływu cech na model
- Detekcja anomalii
- Ocena modelu
Spis treści
Od autora
ROZDZIAŁ 1. Liniowe zależności danych
- Kowariancja
- Współczynnik korelacji
- Regresja liniowa
- Co dalej?
- Bibliografia
ROZDZIAŁ 2. Wnioskowanie bayesowskie
- Twierdzenie Bayesa
- Naiwny klasyfikator bayesowski
- Co dalej?
- Bibliografia
ROZDZIAŁ 3. Czynniki wpływające na wyniki modelu
- Propensity score matching
- Shapley value
- Co dalej?
- Bibliografia
ROZDZIAŁ 4. Detekcja anomalii
- Detekcja anomalii za pomocą z-score
- Detekcja anomalii za pomocą algorytmów klastrujących
- Algorytm Isolation Forest
- Co dalej?
- Bibliografia
ROZDZIAŁ 5. Ewaluacja modeli
- Ewaluacja modeli klasyfikacji
- Ewaluacja modeli regresji
- Co dalej?
- Bibliografia
Zakończenie
Kategoria: | Informatyka |
Zabezpieczenie: |
Watermark
|
ISBN: | 978-83-289-0079-0 |
Rozmiar pliku: | 1,8 MB |